[发明专利]一种基于多层次监督和深度度量学习的遥感变化检测方法

权利要求书

1.一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，包括以下步骤：

S1：获取若干幅可用于双时相变化检测的高分辨率遥感影像；

S2：基于当前已有的数据资料和人工先验知识，通过目视解译，勾绘高分辨率遥感影像之间的变化区域，获得高分辨率遥感影像之间像素级的变化标记，基于已有的遥感影像对和变化标记，将高分辨率遥感影像裁剪为若干特定尺寸大小的影像对，得到面向双时相变化检测的高分辨率遥感影像数据集；

S3：构建基于多层次监督和深度度量学习的遥感变化检测模型；

S4：利用面向双时相变化检测的高分辨率遥感影像数据集对步骤S3构建的模型进行训练；

S5：将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图。

2.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S1所述的高分辨率遥感影像为双时相遥感影像，所述双时相遥感影像为相同区域、相同分辨率、不同年份的遥感图像。

3.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S1的具体过程为：

S101：从公开的数据网站选择并下载若干幅与待检测区域云量分布相似的两期高分辨率遥感影像数据；

S102：根据所下载的高分辨率遥感影像数据提供的数据描述文档，分别对高分辨率遥感影像数据进行预处理。

4.根据权利要求3所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，所述的预处理分别从如下方面进行，具体包括：数据的DN值、投影坐标系、辐射定标、辐射校正、镶嵌、裁剪、直方图匹配。

5.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S2的具体过程为：

S201：对步骤S1得到的高分辨率遥感图像进行减小差异化处理，所述减小差异化处理包括：空间滤波、直方图匹配、直方图滤波；

S202：对减小差异化处理后的高分辨率遥感图像进行地理配准；

S203：根据当前已有的数据资料和人工先验知识对配准后的图像中的变化区域标记；

S204：标记完成后将标签矢量数据转换为栅格数据，并采用随机采样和随机数据增强的方式，分别从配准后的图像和变化标记中采集设定数量的样本，得到面向双时相变化检测的高分辨率遥感影像数据集。

6.根据权利要求5所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，所述随机数据增强方式包括：旋转、镜像翻转、放大缩小、平移、高斯噪声、色彩抖动、对比度变换。

7.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，所述基于多层次监督和深度度量学习的遥感变化检测模型包括：特征提取模块、度量模块，

所述特征提取模块采用权值共享的Siamese结构，用于提取双时相遥感影像的多层次特征对；

所述度量模块用于融合特征提取模块提取的特征，并采用CBAM注意力机制对融合后的特征对进行注意力处理，然后，通过计算特征对之间的欧式距离，并与标签数据比较，通过深度度量学习拉近非变化特征之间的距离，推远变化特征之间的距离，进而得到准确的变化图。

8.根据权利要求7所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，所述模型还包括多层次监督模块，所述多层次监督模块作用于特征提取模块的中间特征中，用以提高特征提取模块提取更具有鲁棒性和代表性的特征。

9.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S4中对步骤S3构建的模型进行训练通过调整训练参数对模型进行训练，所述训练参数包括：训练次数、批量大小、优化器、初始学习率设置、损失函数。

10.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S5中将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图具体步骤包括：

S501：检查待检测的双时相遥感影像在空间特征、光谱特征、纹理特征、分辨率和投影上是否有差异，若存在差异则进行减小差异化处理，然后进行地理配准，将配准后的双时相遥感影像裁剪至预设的尺寸；

S502：裁剪后的双时相遥感影像输入利用步骤4训练好的模型中，得到待检测区域的变化栅格图。